شناسايي مهمترين عوامل پيش‌بيني‌كننده در تهيه نقشه حساسيت‌پذيري زمين‌لغزش با استفاده از مدل بيشينه آنتروپي

Identification the most important predictors in landslide susceptibility mapping using Maximum Entropy Model

ناپايداري­‌هاي دامنه و زمين­‌لغزش­‌ها از مخاطرات مهمي براي فعاليت­‌هاي انساني هستند كه اغلب سبب از دست رفتن منابع اقتصادي، خسارات به اموال و تأسيسات مي­شوند. اين مخاطرات در شيب­‌هاي طبيعي و يا شيب­‌هايي كه به دست انسان تغيير يافته­‌اند، اتفاق مي­‌افتد. در پژوهش حاضر، به­‌منظور مدل‌سازي و تهيه نقشه حساسيت‌­پذيري خطر زمين‌لغزش حوزه آبخيز گرگان‌رود از مدل بيشينه آنتروپي كه يكي از مدل­‌هاي پيشرفته داده‌­كاوي است، استفاده شده است. در مرحله اول نقشه پراكنش زمين‌لغزش‌­هاي منطقه شامل 351 نقطه لغزشي بود تهيه شد. براي مدل­‌سازي بيشينه آنتروپي 18 متغير مستقل به‌­عنوان عوامل پيش‌­بيني كننده شامل مدل رقومي ارتفاعي، درصد شيب، جهت شيب، بارندگي، فاصله از گسل، فاصله از شبكه زهكشي، فاصله از جاده، كاربري اراضي، تراكم زهكشي، سازند سنگ‌شناسي، بافت خاك، انحناي طرح، انحناي پروفيل، شاخص رطوبت توپوگرافي، عامل طول شيب، شاخص توان جريان، موقعيت شيب نسبي و شاخص زبري سطح شناسايي و به مدل معرفي شد. سه سري متفاوت از نقاط وقوع زمين­لغزش (S1, S2, S3) شامل 70 درصد براي آموزش مدل و 30 درصد براي اعتبارسنجي به‌صورت تصادفي آماده شد تا قوت يا استحكام مدل مورد ارزيابي قرار بگيرد. دقت مدل بر اساس شاخص ROC مورد ارزيابي قرار گرفت و مدل بيشينه آنتروپي دقت پيش‌بيني عالي (بالاي 80 درصد) از خود نشان داد. همچنين، در اين پژوهش درجه اهميت متغير­ها به‌­وسيله مدل مورد بررسي قرار گرفت و عوامل مدل رقومي ارتفاعي (32.4 درصد اهميت)، سنگ‌­شناسي (22.9 درصد اهميت) و فاصله از گسل (14.8 درصد اهميت) به‌­ترتيب به­‌عنوان مهمترين عوامل پيش‌­بيني­ كننده در اين منطقه شناسايي شدند.

Slope instability and landslides are important hazards to human activities that often result in the loss of economic resources, property damage and facilities. These hazards occur in the natural or man-made slopes. In the current study, the maximum entropy model was used which is one of the progressive data mining models, in order to modelling landslide susceptibility map for Gorganrood watershed. In the first step, the landslide inventory map was prepared consiste of 351 landslides. 18 geo-environmental factors were selected as predictors, such as: Digital elevation model, slope percent, aspect, distance from fault, distance from river, distance from road, rainfall, landuse, drainage density, lithology, soil texture, plan curvature, profil curvature, lithological formation, Topographic wetness index, LS factor, stream power index, Relative Slope Position and Surface roughness index. Three different sample data sets (S1, S2, and S3) including 70% for training and 30% for validation were randomly prepared to evaluate the robustness of the model. The accuracy of the predictive model was evaluated by drawing receiver operating characteristic (ROC) curves and by calculating the area under the ROC curve (AUC). The ME model performed excellently both in the degree of fitting and in predictive performance (AUC values well above 0.8), which resulted in accurate predictions. Furthermore, In this study the importance of variables was evaluated by the model. Dem (digital elevation model) (32.4% importance), lithology (22.9% importance) and distance from fault (14.8% importance) were identified respectively the main controlling factor among all other variables.